Please use this identifier to cite or link to this item: http://www.repositorio.ufc.br/handle/riufc/45816
Title in Portuguese: A Novel adaptive learning vector quantization for time series classification
Author: Albuquerque, Renan Fonteles
Advisor(s): Braga, Arthur Plínio de Souza
Co-advisor(s): Torrico, Bismark Claure
Keywords: Engenharia elétrica
Análise de séries temporais
Reconhecimento de padrões
Redes neurais (Computação)
Multi-layer perceptron
Artificial neural networks
Adaptive learning
Support vector machine
Time series classification
Pattern recognition
Issue Date: 21-Sep-2018
Citation: ALBUQUERQUE, R. F. A Novel adaptive learning vector quantization for time series classification. 2018. 146 f. Dissertação (Mestrado em Engenharia Elétrica)-Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2018.
Abstract in Portuguese: A Classificação de Séries Temporais é um problema de interesse em diversas áreas de pesquisa, contendo aplicações interessantes para o uso de técnicas de Aprendizado de Máquina. Dentre as soluções adotadas na literatura, os algoritmos baseados em Redes Neurais Artificiais (RNA) têm se destacado devido à sua capacidade de generalização. Nesta dissertação foi realizado um estudo sobre o desempenho das redes neurais no problema de classificação de séries temporais. É proposta uma nova abordagem adaptativa para a rede neural Learning Vector Quantization (LVQ) combinada com um método de agrupamento conhecido como Self-Organizing Map (SOM). O classificador proposto, denominado Adaptive-LVQ-SOM (ALVQ-SOM), permite a remoção e inclusão de protótipos com o objetivo de otimizar o desempenho de classificação da rede. Outras duas variações inspiradas no método ALVQ-SOM também são apresentadas: Driven-LVQ (dLVQ) e Driven-ALVQ-SOM (dALVQ). Para avaliar a eficácia do método proposto, um estudo comparativo foi conduzido entre os classificadores LVQ clássicos, o ALVQ-SOM e outros dois classificadores baseados em RNA: Multi-Layer Perceptron (MLP) e Support Vector Machine (SVM). Além disso, o algoritmo K -Nearest Neighbours (k-NN) foi inserido neste estudo pois este é considerado um algoritmo de referência na literatura de classificação de séries temporais. A metodologia adotada na avaliação dos algoritmos consiste na aplicação da técnica de validação cruzada 10-Fold na execução de simulações utilizando os diversos classificadores estudados, aplicados a conjuntos de dados distintos. Os resultados dos experimentos mostram que o método de LVQ adaptativo proposto (ALVQ-SOM) supera as versões clássicas do LVQ, apresentando desempenho de classificação superior na maioria dos cenários estudados.
Abstract: Time series classification is a problem of interest in several areas of research, containing interesting applications for the use of machine learning techniques. Among the solutions adopted in the literature, the algorithms based on Artificial Neural Network (ANN) have been outstanding due to their generalization capacity. In this dissertation, a study was conducted on the performance of neural networks in the problem of time series classification. A new adaptive variation of the Learning Vector Quantization (LVQ) neural network, combined with a clustering method known as Self-Organizing Map (SOM), has been proposed. The proposed classifier, called Adaptive-LVQ-SOM (ALVQ-SOM), allows the removal and inclusion of prototypes in order to optimize the classification performance of the network. Two other methods inspiredby ALVQ-SOM are also presented: Driven-LVQ (dLVQ) and Driven-ALVQ-SOM (dALVQ).To evaluate the efficacy of the proposed method, a comparative study was conducted betweenthe classical LVQ classifiers, ALVQ-SOM and two other ANN-based classifiers: Multi-LayerPerceptron (MLP) and Support Vector Machine (SVM). In addition, the algorithmK- NearestNeighbors (k-NN) was inserted in this study, since this algorithm is considered a referenceclassifier in the literature of time series classification. The methodology adopted in the evaluationof the algorithms consists in the application of the cross-validation technique 10-fold in theexecution of simulations using different classifiers, applied to distinct datasets. The results ofthe experiments show that the proposed adaptive LVQ (ALVQ-SOM) method outperforms the classical versions of LVQ, presenting superior classification performance in most of the studieds cenarios
URI: http://www.repositorio.ufc.br/handle/riufc/45816
metadata.dc.type: Dissertação
Appears in Collections:DEEL - Dissertações defendidas na UFC

Files in This Item:
File Description SizeFormat 
2018_dis_rfalbuquerque.pdf6,55 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.